使用opencv4.10的dnn模块加载yolo11.onnx

直接说关键，yolo11相较于yolov8的层方面有改动，目前可以使用yolov8的加载方式加载yolo11模型，但是要禁用层融合。

net.enableFusion(false);  // 禁用层融合

在inference.cpp文件加载onnx时加入禁用，便可以正常加载

void Inference::loadOnnxNetwork()
{
    net = cv::dnn::readNetFromONNX(modelPath);
    if (cudaEnabled)
    {
        std::cout << "\nRunning on CUDA" << std::endl;
        net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);
        net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);
    }
    else
    {
        std::cout << "\nRunning on CPU" << std::endl;
        net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
        net.setPreferableTarget(cv::dnn::DNN_TARGET_CPU);
    }
net.enableFusion(false);  // 禁用层融合
}

我说的inference.cpp文件和示例在yolo的github克隆后的examples目录，YOLOv8-CPP-Inference中。这个是使用opencvdnn模块加载，如果opencv是编译支持了cuda，那速度是飞一般提升。我的模型可以得到100帧每秒